Estimación del estado de carga de una batería de litio con redes neuronales y validación con FPGA-en-lazo

Abstract

[EN] Electric vehicles present a viable alternative to reduce toxic gas emissions in urban concentrations and to reduce the effects of greenhouse gases. The battery of electric vehicles must be precisely monitored to ensure proper and safe operation. For this, it is necessary to develop efficient algorithms that allow the state of charge to be accurately estimated using devices embedded in the vehicle. In this work, a set of data from cycling a Lithium battery is used to train a neural network for state of charge estimation. A Bayesian optimization is performed to establish the best neural network architecture and the behavior is validated against the actual measurements offered by the data set. For use in an embedded device, the neural network is validated with a hardware-in-loop (HIL) model on an FPGA with fixed-point arithmetic. After training, a root mean square error of less than 2% and an average accuracy of 97.5% are observed.

[ES] Los vehículos eléctricos presentan una alternativa viable para reducir las emisiones de gases tóxicos en las concentraciones urbanas y para disminuir los efectos de los gases de invernadero. La batería de los vehículos eléctricos debe ser monitoreada con precisión para asegurar su funcionamiento adecuado y seguro. Para esto, es necesario desarrollar algoritmos eficientes que permitan estimar de forma precisa el estado de carga mediante dispositivos embarcados en el vehículo. En este trabajo, se utiliza un conjunto de datos de ciclado de una batería de Litio para entrenar una red neuronal para la estimación del estado de carga. Se realiza una optimización bayesiana para establecer la mejor arquitectura de red neuronal y se valida el comportamiento frente a las mediciones reales que ofrece el conjunto de datos. Para su utilización en un dispositivo embarcado, la red neuronal se valida con un modelo de hardware-en-lazo (HIL) en un FPGA con aritmética de punto fijo. Después del entrenamiento se observa un error promedio cuadrático menor al 2% y una precisión promedio del 97.5%.